計量經(jīng)濟學(xué)重點內(nèi)容

計量經(jīng)濟學(xué)

第一章

use打開數(shù)據(jù)

describe杳看數(shù)據(jù)集情況

summary描述統(tǒng)計

tabstat+[stats]計算描述性統(tǒng)計量（指定）

table+[contents]類別變量+連續(xù)變量列聯(lián)表

table/tabulale類別變量頻次表

histogram直方圖

第二章一元回歸線性模型：基本思想

第三章第四章一元、多元線性回歸模型：假設(shè)檢驗

隨機擾動項、參數(shù)的方差、標(biāo)準(zhǔn)誤計算

統(tǒng)計檢驗

1模型的擬合優(yōu)度檢驗：R2判定系數(shù)（可決系數(shù)）

調(diào)整的可決系數(shù)：（〃一斤）

范圍在。和1之間，越接近1,說明模型具有較高的擬合優(yōu)度

2方程的顯著性檢驗：F統(tǒng)計量，prob（F）

F>F（k-l,n-k）,拒絕原假設(shè)HO,即顯著。

F<F（k-l,n-k）,則暫時不拒絕,不顯著。

顯著性概率為（），小于給定顯著性水平（0.05）,表明模型對總體擬合顯著

3變量的顯著性檢驗：T統(tǒng)計量（服從n-2,n-k）,p值

B2一般為0,T>2.306為顯著，T<2.306為不顯著（5%水平）

線性回歸模型的基本假設(shè)：

假設(shè)1：模型具有線性性（針對模型）。Y是參數(shù)Bi的線性組合，不一定要求是變量X的線性組合。

假設(shè)2：解釋變量X與u不相關(guān)（針對擾動項）。數(shù)學(xué)表達(dá)：cov（Xi,ui尸0通常說法：X具有外生性

假設(shè)3給定X,擾動項的期望或均值為零（針對擾動項）。數(shù)學(xué)表達(dá)：E（?i|Xi）=0,i=l,2,...,n

2

假設(shè)4：同方差假定（針對擾動項〉。數(shù)學(xué)表達(dá)：Var（ui）=??=Var（Yi）i=l,2,...,n.

假設(shè)5；無自相關(guān)（針對擾動項）。數(shù)學(xué)表達(dá)：Cov（?n?j）=0=CovK\Yj）i#j

假設(shè)6：回歸模型設(shè)定是正確的（表面是針對模型，實質(zhì)上是針對擾動項）

假設(shè)7：擾動項符合正態(tài)分布（針對擾動項）數(shù)學(xué)表達(dá)：？i~N（0」?2）wYLN（p（）+dX,??2）

第五章線性回歸模型拓展（函數(shù)形式，變量測度單位）

第六章虛擬變量回歸

有截距，m個類別（取值），僅引入m-l個虛擬變量，無截距可以m個

第七章模型設(shè)定誤差

1包含無關(guān)變量：后果（F,T檢驗）

參數(shù)估計是無偏且一致的估計，

但不是有效的估計，

校驗仍然有效，但方差增大，接收錯誤假設(shè)的概

率較高。

2遺漏重要變量：后果（殘差圖）

如果遺漏的變量X2與XI相關(guān)，那么是有偏且不

一致的估計；

如果X2與XI不相關(guān)，那么是無偏的，但是有偏的

同理，參數(shù)估計量的方差估計也是有偏的，

再次，參數(shù)顯著性檢驗結(jié)果不可靠。

第八，九，十章異方差、多重共線性、自相關(guān)檢驗

異方差多重共線性自相關(guān)

含后果：自相關(guān)降低

例如：￡二/3X3+4

義

解U中包含未知xX中包含x,xxU,x

異方差在截面數(shù)據(jù)中較常見，在多重共線性是樣本現(xiàn)象。時間序列中常見

時間序列中較少，是程度問題,不是有無問題

后1、參數(shù)OLS估計仍然是線性無

果偏的

2、方差估計是錯誤的

3、從而t檢驗效率降低。

（無偏非有效）

檢殘差圖檢驗1、R方較大而顯著的T值較小圖形法

驗Park,Glejster,2、輔助回歸Dw檢驗

Breusch-Pagan,3、方差膨脹因子判斷法游程檢驗

White偏相關(guān)系數(shù)檢驗

Goldfcld-Quandt布羅斯?戈弗雷檢驗

修Wlsgls變量：去除變量，變量轉(zhuǎn)換廣義差分法

正對數(shù)轉(zhuǎn)換樣本：增加樣本

穩(wěn)健回歸、模型變換法

判斷題

1、簡單線性回歸模型與多元線性回歸模型的基本假定是相同的。

錯，在多元畿性回歸模型里除了對隨機誤差項提出假定外，還對解釋變量之間提出無多重共線性的假定。

2、在模型中引入解釋變量的多個滯后項容易產(chǎn)生多重共線性。

對，在分布滯后模型里多引進解釋變量的滯后頂，由于變量的經(jīng)濟意義一樣，只是時間不一致，所以很容易

引起多重共線性。

3、DW檢驗中的d值在0到4之間，數(shù)值越小說明模型隨機誤差項的自相關(guān)度越小，數(shù)值越大說明模型隨

機誤差項的自相關(guān)度越大。

錯，DW值在。到4之間，當(dāng)DW落在最左邊（0<d<dL）、最右邊（4?dL<d<4）時，分別為正自相關(guān)、負(fù)自相

關(guān)：中間（du<d<4-du）為不存在自相關(guān)區(qū)域：其次為兩個不能判定區(qū)域。

4、在計量經(jīng)濟模型中，隨機擾動項與殘差項無區(qū)別。

錯，它們均為隨機項，但隨機誤差項表示總體模型的誤差，殘差表示樣本模型的誤差；另外，殘差二隨機誤

差項+參數(shù)估計誤差。

5、在經(jīng)濟計量分析中，模型參數(shù)一旦被估計出來，就可將估計模型直接運用丁實際的計量經(jīng)濟分析。

錯，參數(shù)一經(jīng)估計，建立了樣本回歸模型，還需要對模型進行檢驗，包括經(jīng)濟意義檢驗、統(tǒng)計檢驗、計量經(jīng)

濟專門檢驗等。

6、線性回歸模型意味著因變量是自變量的線性函數(shù)。

錯，線性回歸模型本質(zhì)上指的是參數(shù)線性，而不是變量線性。同時，模型與函數(shù)不是同一回事。

7、多重共線性問題是隨機擾動項違背古典假定引起的。

錯，應(yīng)該是解釋變量之間高度相關(guān)引起的。

8、通過虛擬變量將屬性因素引入計量經(jīng)濟模型，引入虛擬變量的個數(shù)與樣本容量大小有關(guān)。

錯，引入虛擬變量的個數(shù)樣本容量大小無關(guān)，與變量屬性，模型有無截距項有關(guān)。

9、雙變量模型中，對樣本回歸函數(shù)整體的顯著性檢驗與斜率系數(shù)的顯著性檢驗是一致的。

正確，要求最好能夠?qū)懗鲆辉€性回歸中，F(xiàn)統(tǒng)計量與t統(tǒng)計量的關(guān)系，即F=l人2的來歷：或者說明一元線

性何歸僅有一個解釋變量，因此對斜率系數(shù)的t檢驗等價于對方程的整體性檢驗。

11、在實際中，一元回歸幾乎沒什么用，因為因變量的行為不可能僅由一個解釋變量來解釋。

錯，在實際中，在一定條件下一元回歸是很多經(jīng)濟現(xiàn)象的近似，能夠較好地反映回歸分析的基本思想，在某

些情況下還是有用的。

13、虛擬變量只能作為解釋變量，

錯，虛擬變量還能作被解釋變量,

14、設(shè)估計模型為。。。。。。表明模型有很好的擬合優(yōu)度，則模型不存在偽（虛假）回歸。

錯，可能存在偽（虛假）何歸，因為可決系數(shù)較高，而DW值過低。

15、隨機擾動項的方差與隨機擾動項方差的無偏估計沒有區(qū)別。

錯，隨機擾動項的方差反映總體的波動情況，對一個特定的總體而言，是一個確

定的值。

16、經(jīng)典線性回歸模型（CLRM）中的干擾項不服從正態(tài)分布的，OLS估計量將有偏的。

錯，即使經(jīng)典線性回歸模型（CLRM）中的干擾項不服從正態(tài)分布的，OLS估計量仍然是無偏的。

17、虛擬變量的取值原則上只能取0或1。

對，虛擬變量的取值是人為設(shè)定的，主要表征某種屬性或特征或其它的存在與否，0或1正好描述了這種特

件。當(dāng)然，依據(jù)研究問題的特殊性，有時也可以取其它值。

18、擬合優(yōu)度檢驗和F檢驗是沒有區(qū)別的。

錯（1）F—檢驗中使用的統(tǒng)計量有精確的分布，而擬合優(yōu)度檢驗沒有；（2）對是否通過檢驗，可決系數(shù)（修

正可決系數(shù)）只能給出一個模糊的推測：而F檢驗可以在給定顯著水平下，給出統(tǒng)計上的嚴(yán)格結(jié)論。

20、雙變量模型中，對樣本回歸函數(shù)整體的顯著性檢驗與斜率系數(shù)的顯著性檢驗是一致的；

正確，最好能夠?qū)懗鲆辉€性回日模型：F統(tǒng)計量與T統(tǒng)計量的關(guān)系，即的F=S2的來歷；或者說明一元線

性回歸僅有一個解釋變量，因此對斜率系數(shù)的t檢驗等價于對方程的整體性檢驗。

22、在模型12233tttYXXBBB=+++的回歸分析結(jié)果報告中，……則表明解釋變量。。。對yt的影響是顯

著的。

錯，解釋變量X2t利X3t對Yt的聯(lián)合影響是顯著的。

23、結(jié)構(gòu)型模型中的每一個方程都稱為結(jié)構(gòu)式方程，結(jié)構(gòu)方程中，解釋變量只可以是前定變量。

錯誤，結(jié)構(gòu)方程中，解釋變量可以是前定變量，也可以是內(nèi)生變量。

24、通過虛擬變量將屬性因素引入計量經(jīng)濟模型，引入虛擬變量的個數(shù)與模型有無截距項無關(guān)。

錯誤，模型有截距項時，如果被考察的定性因素有m個相互排斥屬性，則模型中引入m—1個虛擬變量，否

則會陷入“虛擬變量陷阱”，模型無截距項時，若被考察的定性因素有m個相互排斥屬性，可以引入m個

虛擬變量，這時不會出現(xiàn)多重共線性。

25、在對參數(shù)進行最小二乘估計之前，沒有必要對模型提出古典假定。

錯誤，在古典假定條件下，OLS估計得到的參數(shù)估計量是該參數(shù)的最佳線性無偏估計（具有線性、無偏性、

有效性）。總之，提出古典假定是為了使所作出的估計量具有較好的統(tǒng)計性質(zhì)和方便地進行統(tǒng)計推斷。

26、當(dāng)異方差出現(xiàn)時，常用的t和F檢驗失效

正確，由丁異方差類，似丁i比值的統(tǒng)計量所遵從的分布未知：即使遵從I分布，由丁方差不在具有最小性。

這時往往會夸大I檢驗，使得t檢驗失效：由于F分布為兩個獨立的乂絲變量之比，故依然存在類似于1分

布中的問題

27、解釋變量與隨機誤差項相關(guān)，是產(chǎn)生多重共線性的主要原因。

錯誤，產(chǎn)生多重共線性的主耍原因是：經(jīng)濟本變量大多存在共同變化趨勢；模型中大量采用滯后變量；認(rèn)識

上的局限使得選擇變量不當(dāng)；……。

29、由間接最小二乘法與兩階段最小二乘法得到的估計量都是無偏估計。

錯誤，間接最小二乘法適用于恰好識別方程的估計，其估計量為無偏估計；而兩階段最小二乘法不僅適用于恰

好識別方程，也適用于過度識別方程。兩階段最小二乘法得到的估計量為有偏、一致估計。

32、在經(jīng)濟計量分析中，模型參數(shù)一旦被估計出來，就可將估計模型直接運用于實際的計量經(jīng)濟分析工

錯。參數(shù)一經(jīng)估計，建立了樣本回歸模型，還需要對模型進行檢驗，包括經(jīng)濟意義檢驗、統(tǒng)計檢驗、計量經(jīng)

濟專門檢驗等。

33、假定個人服裝支出同收入水平和性別有關(guān)，由于性別是具有兩種屬性（男、女）的定性因素，因此，用

虛擬變量回歸方法分析性別對服裝支出的影響時，需要引入兩個虛擬變量。

錯，是否引入兩個虛擬變量，應(yīng)取決于模型中是否有截距項。如果有截距項則引入一個虛擬變量；如果模型中

無截距項，則可引入兩個虛擬變埴。

34、隨機擾動項的方差與隨機擾動項方差的無偏估計沒有區(qū)別。

錯,隨機擾動項的方差反映總體的波動情況，對一個特定的總體而言，是一個確定的值。

35、在簡單線性回歸中可決系數(shù)2R與斜率系數(shù)的t檢驗的沒有關(guān)系。

錯謾,可決系數(shù)是對模型擬合優(yōu)度的綜合度量，其值越大，說明在Y的總變差中由模型作出了解釋的部分占

的比重越大，模型的擬合優(yōu)度越高，模型總體線性關(guān)系的顯著性越強。反之亦然。斜率系數(shù)的t檢驗是對回

歸方程中的解釋變量的顯著性的檢驗。在簡單線性回歸中，由于解釋變量只有一個，當(dāng)t檢驗顯示解釋變量

的影響顯著時，必然會有該回歸模型的可決系數(shù)大，擬合優(yōu)度高。

36、異方差性、自相關(guān)性都是隨機誤差現(xiàn)象，但兩者是有區(qū)別的。

正確。異方差的出現(xiàn)總是與模型中某個解釋變量的變化有關(guān)?！韵嚓P(guān)性是各回歸模型的隨機誤差項之間具

有相關(guān)關(guān)系。....

37、通過虛擬變量將屬性因素引入計量經(jīng)濟模型，引入虛擬變量的個數(shù)與模型有無截距項無關(guān)。

錯誤，模型有截距項時，如果被考察的定性因素有m個相互排斥屬性，則模型中引入m—l個虛擬變量，否

則會陷入“虛擬變量陷阱”；模型無微距項時，若被考察的定性因素有m個相互排